作者都是扎根於聯邦學習前沿的研究者和從業者。本書提出了眾多不同於其他書籍的全新聯邦學習算法，以饗讀者。作者參考了近年全新的文章和綜述，緊跟學術和業界的聯邦學習動態。

●前言
第一部分 聯邦學習基礎知識
第1章 聯邦學習概述
1.1 什麼是聯邦學習
1.2 聯邦學習的應用和挑戰
1.3 分布式機器學習與聯邦學習
1.4 總結
第2章 聯邦學習應用場景
2.1 聯邦學習與金融
2.2 聯邦學習與生物醫學
2.3 聯邦學習與計算機視覺
2.4 聯邦學習與自然語言處理
2.5 聯邦學習與邊緣計算和雲計算
2.6 聯邦學習與計算機硬件
2.7 總結
第3章 常用隱私保護技術
3.1 面向隱私保護的機器學習
3.2 常用的隱私保護技術
3.3 總結
第二部分 聯邦學習算法詳述
第4章 縱向聯邦樹模型算法
4.1 樹模型簡介
4.2 縱向聯邦隨機森林算法
4.3 縱向聯邦梯度提升算法
4.4 總結
第5章 縱向聯邦線性回歸算法
5.1 縱向聯邦線性回歸
5.2 聯邦多視角線性回歸
5.3 總結
第6章 縱向聯邦核學習算法
6.1 引言
6.2 雙隨機核方法
6.3 所提算法
6.4 理論分析
6.5 實驗驗證
6.6 總結
第7章 異步縱向聯邦學習算法
7.1 引言
7.2 相關工作
7.3 問題表示
7.4 所提算法
7.5 理論分析
7.6 實驗驗證
7.7 總結
第8章 基於反向更新的雙層異步縱向聯邦學習算法
8.1 引言
8.2 問題表示
8.3 所提算法
8.4 理論分析
8.5 實驗驗證
8.6 總結
第9章 縱向聯邦深度學習算法
9.1 引言
9.2 所提算法
9.3 理論分析
9.4 實驗驗證
9.5 總結
第10章 快速安全的同態加密數據挖掘框架
10.1 引言
10.2 相關工作
10.3 同態加密數據挖掘框架
10.4 實驗驗證
10.5 總結
第11章 橫向聯邦學習算法
11.1 橫向聯邦學習簡介
11.2 常見的分布式優化算法
11.3 同步橫向聯邦學習算法
11.4 異步橫向聯邦學習算法
11.5 快速通信的橫向聯邦學習算法
11.6 總結
第12章 混合聯邦學習算法
12.1 混合聯邦學習算法的場景需求
12.2 算法詳述
12.3 總結
第13章 聯邦強化學習
13.1 強化學習概述
13.2 強化學習算法簡介
13.3 分布式和聯邦強化學習
13.4 總結
第三部分 聯邦學習繫統
第14章 FedLearn聯邦學習繫統
14.1 已開源聯邦學習繫統及其痛點
14.2 FedLearn聯邦學習繫統的優勢
14.3 FedLearn繫統架構設計
14.4 FedLearn跨語言算法支持
14.5 高性能RPC開源框架gRPC
14.6 FedLearn繫統服務和算法解耦
14.7 FedLearn部署與使用
14.8 總結
第15章 gRPC在FedLearn中的聯邦學習應用實例
15.1 應用實例一：縱向聯邦隨機森林學習算法
15.2 應用實例二：橫向聯邦學習場景
15.3 總結
第16章 落地場景中的性能優化實踐
16.1 FedLearn業務場景簡介
16.2 從0到1實踐聯邦學習算法優化
16.3 性能優化
16.4 工程服務性能優化
16.5 實時推理優化
16.6 總結
第17章 基於區塊鏈的聯邦學習
17.1 區塊鏈簡介
17.2 聯邦學習與區塊鏈的集成創新
17.3 基於區塊鏈的聯邦學習激勵算法
17.4 基於區塊鏈的聯邦學習繫統實現
17.5 總結
參考文獻

全書共分為三個部分，從概念、應用場景到具體的優選算法，再到最後的繫統實現，對聯邦學習技術進行全盤梳理與總結。 第一部分為聯邦學習基礎知識，主要介紹和分享聯邦學習的定義、挑戰、應用場景和主要技術，包括聯邦學習概述、應用場景和常用隱私保護技術。 第二部分為聯邦學習算法詳述，主要介紹京東科技針對縱向聯邦學習和橫向聯邦學習場景提出來的諸多創新性聯邦學習算法，包括縱向聯邦樹模型算法、縱向聯邦線性回歸算法、縱向聯邦核學習算法、異步縱向聯邦學習算法、基於反向更新的雙層異步縱向聯邦學習算法、縱向聯邦深度學習算法、快速安全的同態加密數據挖掘框架、橫向聯邦學習算法、混合聯邦學習算法和聯邦強化學習。 第三部分為聯邦學習繫統，主要介紹京東科技設計的聯邦學習繫統及算法落地的性能優化技術，包括FedLearn聯邦學習繫統詳述、gRPC在FedLearn中的聯邦學習應用實例、落地場景中的性能優化等

薄列峰 等 著